遥感影像滑坡灾害识别应用研究.docxVIP

?

?

遥感影像滑坡灾害识别应用研究

?

?

胡芳驰樊雅婧

摘要遥感卫星应用于滑坡灾害识别有30多年的历史，卫星遥感是进行滑坡识别的重要手段，在滑坡治理监测方面中有着重要的应用，遥感影像也在向高分辨率过渡，滑坡识别方法从目视解译向人机交互和自动识别发展，提高了滑坡识别精度。总结了滑坡特征以及近些年来国内外利用遥感影像对滑坡识别的方法和优缺点，针对存在的不足对未来研究方向提出展望。

关键词遥感卫星;滑坡识别;遥感影像

中图分类号：P642.22文献标识码：B文章编号：2095–3305（2021）04–0098–02

1滑坡灾害解译

1.1滑坡特征

1.1.1形态特征滑坡比较明显的特征就是形状，主要有以下11种：舌形、椭圆形、长椅形、倒梨形、牛角形、平行四边形等，并与周围地物色差较大[1]。

1.1.2光谱特征滑坡光谱与周围岩土有明显的差异，滑坡体地表起伏不平，岩土多呈现为粉红色或浅白色。

1.1.3纹理特征滑坡的纹理比较细致，土地分布紧凑，且与周围裸地颜色不同，甚至有些还会存在滑坡线条，在某些滑坡体上还会有道路等一些紋理[2]。

1.1.4植被特征植被的变化特征也可以侧面反映出滑坡灾害信息。滑坡周围植被遭到破坏，植被覆盖率较低。

1.1.5上下文特征由于滑坡与普通岩土极为相似，两者区分较难，这时就需要根据周围上下文特征来判别是否是滑坡。

1.2滑坡识别方法

遥感影像解译在上世纪50年代开始兴起，具有多学科交叉的特点，利用遥感影像提取滑坡信息从最初目视判读发展为现在计算机智能识别。目视判读能与某些图像的颜色、光谱和上下文特征结合，并能与专业人员的知识经验和非遥感数据相结合，且所需硬件设备少，操作简单，掌握信息较全面[3]。但同时目视解译技术也存在以下局限：（1）存在主观因素，此方法依赖研究人员的知识经验;（2）遥感影像中的信息没有充分利用，遥感技术优势没有充分体现;（3）工作量庞大、耗时耗力、遥感数据较多，处理大数据时效率低下;（4）主要是定性描述，与如今数字时代的定量描述不相适应。

计算机自动判读技术又可分为两类：一类是基于像素分类方法;另一类是面向对象分类方法。基于像元分类方法只是简单地利用一个像素点的特征对地物进行识别，并没有考虑与周围像素的关系，并且随着影像分辨率越来越高，所含光谱的一些特征信息更少，该方法效率低下，同时，容易出现同谱异物和同物异谱等现象，此外，处理结果中会出现较多噪声，使影像模糊，地物与之间不易区分，对最后精度造成影响[4]。

由于遥感影像分辨率越来越高，基于像元分类方法不能有效识别高分辨率遥感图像中的滑坡，面向对象影像分析方法即面向对象分类方法应运而生，面向对象影像分析方法（ObjectBasedImageAnalysis，OBIA），又称面向对象分类，这种方法是BaatzM和SchapeA[5]在1999年提出来的，它其实是将光谱、纹理、形状等特征相似的像元组合在一起，形成一个对象，然后根据地物在实际生活中的分布情况和在遥感影像中的分布状况，选择分割后对象的特征，建立分类规则体系;最后以对象为基本单元，综合实际情况，选取恰当的分类算法，对滑坡进行分类识别。综上可知，面向对象影像分析技术主要包括3部分：影像分割，对象特征提取和规则集的构建，其中核心技术分别是对影像进行分割和分类。相比基于像元的方法，能有效避免“椒盐现象”，充分利用遥感影像的细节特征，具有很好的可行性和推广性。

1.3遥感影像滑坡灾害分类算法

遥感影像滑坡灾害从最初依靠人工特征描述符分类，向机器学习逐步发展，然而机器学习算法也存在一些问题，在数据集较大时，容易出现错分漏分现象。但随着深度学习的发展和遥感数据的增加，深度学习脱颖而出，深度学习在2006年被Hinton和SalakututiNo首次提出，是一种端到端的学习方法，即我们把原始图像输入网络，可以直接得到输出结果，不再人为进行特征提取[7]。特征由神经网络提取，将深度学习引入到遥感领域，对于深度学习理论来说是一小步，但对于遥感影像来说是一大步。其中，卷积神经网络（CNN）在遥感影像上得到了广泛应用，在遥感场景分类，震害建筑物提取等领域取得了丰硕成果，研究表明用深度学习网络模型能更好的提取地物特征，分类精度更高，但由于网络模型对输入数据有限，且滑坡特征复杂，需根据上下文特征来判定滑坡，所以将深度学习应用于滑坡灾害识别远少于应用于遥感影像识别领域。李尧采用约束条件下DBN与CNN的滑坡检测模型对高光谱数据的高维特征进行提取，提高滑坡检测精度[8]。张倩荧等采用YOLO、FasterRCNN和SSD对滑坡影像进行检测，讨论了3种算法的特点以及检测过程中参数的应用，获取更好的检测效果[9];UlloSL等使用哨兵2号滑坡数